文献类型：期刊文章

作　　者：孙福权[1,2] 丛成龙[1] 张琨[1,2] 孔超然[1] 姜玉山[1,2] 多允慧[1]

SUN Fu-quan;CONG Cheng-long;ZHANG Kun;KONG Chao-ran;JIANG Yu-shan;DUO Yun-hui(College of Information Science and Engineering,Northeastern University,Shenyang 110819,China;School of Mathematics and Statistics,Northeastern University at Qinhuangdao,Qinhuangdao 066004,China)

机构地区：[1]东北大学信息科学与工程学院,沈阳110819 [2]东北大学秦皇岛分校数学与统计学院,河北秦皇岛066004

出　　处：《小型微型计算机系统》

基　　金：国家重点研发计划项目(2018YFB1402800)资助;教育部科技发展中心科研创新项目(2018A03031)资助;河北省高教研究与实践项目(2018GJJG422)资助。

年　　份：2020

卷　　号：41

期　　号：4

起止页码：732-735

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：医疗图像辅助诊断是深度学习在智慧医疗领域中的一个重要应用.针对传统图像处理方法中人工提取特征过程复杂度高、测试识别准确度低和泛化能力差等问题,本文利用深度学习方法对乳腺癌病理学图像进行计算机辅助诊断.先对VGG16浅层卷积网络引入冻结层,并训练微调其余部分参数,再对结合迁移学习的Inception-V3和Res Net-V2-152进行整体参数微调,最后将训练好的的三个模型进行融合,以增强最终识别的准确度.同时又对BreakHis数据集进行了放大类别独立的研究.实验结果表明,本文在放大200倍的乳腺癌病理图像良恶性诊断问题上可取得97.64%的测试准确度,在放大类别独立的诊断问题上取得94.94%的测试准确度,为计算机辅助诊断在实际中的应用提供了可行性论证.

关 键 词：深度学习  乳腺癌 模型融合  迁移学习  计算机辅助诊断

分 类 号：TP391]